基于Spark-0.4和Hadoop-0.20.2
1. Kmeans
数据:自己产生的三维数据,分别围绕正方形的8个顶点
{0, 0, 0}, {0, 10, 0}, {0, 0, 10}, {0, 10, 10},
{10, 0, 0}, {10, 0, 10}, {10, 10, 0}, {10, 10, 10}
Point number | 189,918,082 (1亿9千万个三维点) |
Capacity | 10GB |
HDFS Location | /user/LijieXu/Kmeans/Square-10GB.txt |
程序逻辑:
读取HDFS上的block到内存,每个block转化为RDD,里面包含vector。 然后对RDD进行map操作,抽取每个vector(point)对应的类号,输出(K,V)为(class,(Point,1)),组成新的RDD。 然后再reduce之前,对每个新的RDD进行combine,在RDD内部算出每个class的中心和。使得每个RDD的输出只有最多K个KV对。 最后进行reduce得到新的RDD(内容的Key是class,Value是中心和,再经过map后得到最后的中心。 |
先上传到HDFS上,然后在Master上运行
|
迭代执行Kmeans算法。
一共160个task。(160 * 64MB = 10GB)
利用了32个CPU cores,18.9GB的内存。
每个机器的内存消耗为4.5GB (共40GB)(本身points数据10GB*2,Map后中间数据(K, V) => (int, (vector, 1)) (大概10GB)
最后结果:
|
50MB/s 10GB => 3.5min
10MB/s 10GB => 15min
在20GB的数据上测试
Point number | 377,370,313 (3亿7千万个三维点) |
Capacity | 20GB |
HDFS Location | /user/LijieXu/Kmeans/Square-20GB.txt |
运行测试命令:
|
得到聚类结果:
|
基本就是8个中心点
内存消耗:(每个节点大约5.8GB),共50GB左右。
内存分析:
20GB原始数据,20GB的Map输出
迭代次数 | 时间 |
1 | 108 s |
2 | 0.93 s |
12/06/05 11:11:08 INFO spark.CacheTracker: Looking for RDD partition 2:302
12/06/05 11:11:08 INFO spark.CacheTracker: Found partition in cache!
在20GB的数据上测试(迭代更多的次数)
|
Task数目:320
时间:
迭代次数 | 时间 |
1 | 100.9 s |
2 | 0.93 s |
3 | 4.6 s |
4 | 3.9 s |
5 | 3.9 s |
6 | 3.9 s |
迭代轮数对内存容量的影响:
基本没有什么影响,主要内存消耗:20GB的输入数据RDD,20GB的中间数据。
Final centers: Map(5 -> (-4.728089224526789E-5, 3.17334874733142E-5, -2.0605806380414582E-4), 8 -> (1.1841686358289191E-4, 10.000062966002101, 9.999933240005394), 7 -> (9.999976672588097, 10.000199556926772, -2.0695123602840933E-4), 3 -> (-1.3506815993198176E-4, 9.999948270638338, 2.328148782609023E-5), 4 -> (3.2493629851483764E-4, -7.892413981250518E-5, 10.00002515017671), 1 -> (10.00004313126956, 7.431996896171192E-6, 7.590402882208648E-5), 6 -> (9.999982611661382, 10.000144597573051, 10.000037734639696), 2 -> (9.999958673426654, -1.1917651103354863E-4, 9.99990217533504)) |
结果可视化
2. HdfsTest
测试逻辑:
|
首先去HDFS上读取一个文本文件保存在file
再次计算file中每行的字符数,保存在内存RDD的mapped中
然后读取mapped中的每一个字符数,将其加2,计算读取+相加的耗时
只有map,没有reduce。
测试10GB的Wiki
实际测试的是RDD的读取性能。
|
测试结果:
|
每个node的内存消耗为2.7GB (共9.4GB * 3)
实际测试的是RDD的读取性能。
|
测试90GB的RandomText数据
|
耗时:
迭代次数 | 耗时 |
1 | 111.905310882 s |
2 | 4.681715228 s |
3 | 4.469296148 s |
4 | 4.441203887 s |
5 | 1.999792125 s |
6 | 2.151376037 s |
7 | 1.889345699 s |
8 | 1.847487668 s |
9 | 1.827241743 s |
10 | 1.747547323 s |
内存总消耗30GB左右。
单个节点的资源消耗:
3. 测试WordCount
写程序:
|
打包成mySpark.jar,上传到Master的/opt/spark/newProgram。
运行程序:
|
Mesos自动将jar拷贝到执行节点,然后执行。
内存消耗:(10GB输入file + 10GB的flatMap + 15GB的Map中间结果(word,1))
还有部分内存不知道分配到哪里了。
耗时:50 sec(未经过排序)
Hadoop WordCount耗时:120 sec到140 sec
结果未排序
单个节点:
Hadoop测试
Kmeans
运行Mahout里的Kmeans
|
在运行(320个map,1个reduce)
Canopy Driver running buildClusters over input: output/data
时某个slave的资源消耗情况
Completed Jobs
Jobid | Name | Map Total | Reduce Total | Time |
job_201206050916_0029 | Input Driver running over input: /user/LijieXu/Kmeans/Square-10GB.txt | 160 | 0 | 1分2秒 |
job_201206050916_0030 | KMeans Driver running runIteration over clustersIn: output/clusters-0/part-randomSeed | 160 | 1 | 1分6秒 |
job_201206050916_0031 | KMeans Driver running runIteration over clustersIn: output/clusters-1 | 160 | 1 | 1分7秒 |
job_201206050916_0032 | KMeans Driver running runIteration over clustersIn: output/clusters-2 | 160 | 1 | 1分7秒 |
job_201206050916_0033 | KMeans Driver running runIteration over clustersIn: output/clusters-3 | 160 | 1 | 1分6秒 |
job_201206050916_0034 | KMeans Driver running runIteration over clustersIn: output/clusters-4 | 160 | 1 | 1分6秒 |
job_201206050916_0035 | KMeans Driver running runIteration over clustersIn: output/clusters-5 | 160 | 1 | 1分5秒 |
job_201206050916_0036 | KMeans Driver running clusterData over input: output/data | 160 | 0 | 55秒 |
job_201206050916_0037 | Input Driver running over input: /user/LijieXu/Kmeans/Square-20GB.txt | 320 | 0 | 1分31秒 |
job_201206050916_0038 | KMeans Driver running runIteration over clustersIn: output/clusters-0/part-randomSeed | 320 | 36 | 1分46秒 |
job_201206050916_0039 | KMeans Driver running runIteration over clustersIn: output/clusters-1 | 320 | 36 | 1分46秒 |
job_201206050916_0040 | KMeans Driver running runIteration over clustersIn: output/clusters-2 | 320 | 36 | 1分46秒 |
job_201206050916_0041 | KMeans Driver running runIteration over clustersIn: output/clusters-3 | 320 | 36 | 1分47秒 |
job_201206050916_0042 | KMeans Driver running clusterData over input: output/data | 320 | 0 | 1分34秒 |
运行多次10GB、20GB上的Kmeans,资源消耗
Hadoop WordCount测试
Spark交互式运行
进入Master的/opt/spark
运行
|
打开Mesos版本的spark
在master:8080可以看到framework
Active Frameworks
ID | User | Name | Running Tasks | CPUs | MEM | Max Share | Connected |
201206050924-0-0018 | root | Spark shell | 0 | 0 | 0.0 MB | 0.00 | 2012-06-06 21:12:56 |
|
由于GC的问题,不能cache很大的数据集。